انقلابی در تحقیقات واکسن: قدرت یک الگوریتم جدید
انقلابی در تحقیقات واکسن: قدرت یک الگوریتم جدید -زیست شناسان محاسباتی از یادگیری ماشینی برای درک داده های سیستم ایمنی استفاده می کنند.
محققان سیستم ایمنی یک ابزار محاسباتی برای افزایش آمادگی بیماری همه گیر طراحی کرده اند.
دانشمندان می توانند از این الگوریتم جدید برای مقایسه داده های آزمایش های بسیار متفاوت و پیش بینی بهتر نحوه واکنش افراد به بیماری استفاده کنند.
تال ایناو، دکتری، می‌گوید: «ما تلاش می‌کنیم بفهمیم که افراد چگونه با ویروس‌های مختلف مبارزه می‌کنند، اما زیبایی روش ما این است که می‌توانید آن را به طور کلی در سایر تنظیمات بیولوژیکی، مانند مقایسه داروهای مختلف یا رده‌های سلولی سرطانی مختلف به کار ببرید.
این کار به یک چالش بزرگ در تحقیقات پزشکی می پردازد. آزمایشگاه‌هایی که بیماری‌های عفونی را مطالعه می‌کنند – حتی آزمایشگاه‌هایی که بر روی ویروس‌های مشابه متمرکز هستند – انواع مختلفی از داده‌ها را جمع‌آوری می‌کنند.
Einav می گوید: «هر مجموعه داده به جزیره مستقل خود تبدیل می شود.
برخی از محققان ممکن است مدل های حیوانی را مطالعه کنند، برخی دیگر ممکن است بیماران انسانی را مطالعه کنند.
برخی از آزمایشگاه‌ها بر روی کودکان تمرکز می‌کنند، برخی دیگر نمونه‌هایی را از شهروندان سالخورده با نقص ایمنی جمع‌آوری می‌کنند. مکان نیز اهمیت دارد.
سلول‌های جمع‌آوری‌شده از بیماران در استرالیا ممکن است در مقایسه با سلول‌های جمع‌آوری‌شده از یک گروه بیمار در آلمان، تنها بر اساس مواجهه با ویروس‌های گذشته در آن مناطق، واکنش متفاوتی به ویروس نشان دهند.
در زیست شناسی سطحی از پیچیدگی وجود دارد.
ویروس‌ها همیشه در حال تکامل هستند و این داده‌ها را نیز تغییر می‌دهد.» و حتی اگر دو آزمایشگاه در یک سال به بیماران مشابهی نگاه کنند، ممکن است آزمایش‌های کمی متفاوت انجام دهند.»
انقلابی در تحقیقات واکسن: قدرت یک الگوریتم جدید
یک روش محاسباتی یکپارچه
Einav با همکاری نزدیک با Rong Ma، Ph.D.، یک محقق فوق دکتری در دانشگاه استنفورد، شروع به توسعه یک الگوریتم برای کمک به مقایسه مجموعه داده های بزرگ کرد.
الهام‌بخش او از پیشینه‌اش در فیزیک بود، رشته‌ای که در آن – صرف نظر از اینکه یک آزمایش چقدر نوآورانه است – دانشمندان می‌توانند مطمئن باشند که داده‌ها با قوانین شناخته شده فیزیک مطابقت دارند. E همیشه برابر mc2 خواهد بود.
آیناو می‌گوید: «کاری که من به‌عنوان یک فیزیکدان دوست دارم انجام دهم این است که همه چیز را جمع‌آوری کنم و اصول وحدت‌بخش را کشف کنم.
روش محاسباتی جدید نیازی به دانستن دقیق مکان یا نحوه به دست آوردن هر مجموعه داده ندارد.
در عوض، Einav و Ma از یادگیری ماشینی استفاده کردند تا تعیین کنند کدام مجموعه داده از همان الگوهای اساسی پیروی می کند.
«لازم نیست به من بگویید که برخی از داده ها از کودکان یا بزرگسالان یا نوجوانان آمده است. Einav می‌گوید: ما فقط از ماشین می‌پرسیم که داده‌ها چقدر شبیه به یکدیگر هستند، و سپس مجموعه داده‌های مشابه را در یک ابر مجموعه ترکیب می‌کنیم که الگوریتم‌های بهتری را آموزش می‌دهد.
با گذشت زمان، این مقایسه‌ها می‌تواند اصول ثابتی را در پاسخ‌های ایمنی نشان دهد – الگوهایی که به سختی می‌توان آنها را در بسیاری از مجموعه داده‌های پراکنده که در ایمونولوژی فراوان هستند، شناسایی کرد.
تأثیرات بالقوه بر طراحی واکسن و ایمونولوژی
به عنوان مثال، محققان می‌توانند واکسن‌های بهتری را با کشف اینکه چگونه آنتی‌بادی‌های انسانی پروتئین‌های ویروسی را هدف قرار می‌دهند، طراحی کنند.
اینجاست که زیست شناسی دوباره واقعاً پیچیده می شود. مشکل این است که انسان می تواند حدود یک کوینتیلیون آنتی بادی منحصر به فرد بسازد.
در همین حال، یک پروتئین ویروسی منفرد می تواند تغییرات بیشتری نسبت به اتم های موجود در جهان داشته باشد.
Einav می‌گوید: «به همین دلیل است که مردم مجموعه‌های داده‌های بزرگ‌تر و بزرگ‌تری را جمع‌آوری می‌کنند تا سعی کنند زمین بازی تقریباً بی‌نهایت زیست‌شناسی را کشف کنند.
اما دانشمندان زمان بی‌نهایتی ندارند، بنابراین به روش‌هایی برای پیش‌بینی گستره وسیعی از داده‌هایی نیاز دارند که نمی‌توانند به طور واقعی جمع‌آوری کنند.
قبلاً Einav و Ma نشان داده‌اند که روش محاسباتی جدید آنها می‌تواند به دانشمندان در پر کردن این شکاف‌ها کمک کند.
آنها نشان می‌دهند که روش آنها برای مقایسه مجموعه‌های داده بزرگ می‌تواند قوانین بی‌شمار جدید ایمونولوژی را آشکار کند، و این قوانین را می‌توان برای سایر مجموعه‌های داده اعمال کرد تا پیش‌بینی کند که داده‌های از دست رفته چگونه باید باشند.
روش جدید همچنین به اندازه کافی دقیق است تا دانشمندان را در پشت پیش‌بینی‌هایشان اطمینان دهد. در آمار، «فاصله اطمینان» روشی برای تعیین میزان اطمینان یک دانشمند از پیش‌بینی است.
Einav می‌گوید: «این پیش‌بینی‌ها تا حدودی شبیه الگوریتم Netflix است که پیش‌بینی می‌کند چه فیلم‌هایی را دوست دارید تماشا کنید.
الگوریتم نتفلیکس به دنبال الگوهای فیلم هایی است که در گذشته انتخاب کرده اید. هرچه فیلم‌ها (یا داده‌های) بیشتری به این ابزارهای پیش‌بینی اضافه کنید، این پیش‌بینی‌ها دقیق‌تر خواهند بود.
Einav می‌گوید: «ما هرگز نمی‌توانیم همه داده‌ها را جمع‌آوری کنیم، اما تنها با چند اندازه‌گیری می‌توانیم کارهای زیادی انجام دهیم.
ما نه تنها اطمینان پیش‌بینی‌ها را تخمین می‌زنیم، بلکه می‌توانیم به شما بگوییم که چه آزمایش‌های بعدی این اطمینان را به حداکثر می‌رساند.
برای من، پیروزی واقعی همیشه به دست آوردن درک عمیق از یک سیستم بیولوژیکی بوده است، و هدف این چارچوب دقیقاً همین است.»
جهت گیری ها و همکاری های آینده
Einav اخیراً پس از اتمام دوره فوق دکتری خود در آزمایشگاه Jesse Bloom، Ph.D. در مرکز سرطان فرد هاچ، به دانشکده LJI پیوست.
همانطور که او به کار خود در LJI ادامه می دهد، قصد دارد بر استفاده از ابزارهای محاسباتی تمرکز کند تا درباره پاسخ های ایمنی انسان به بسیاری از ویروس ها، که از آنفولانزا شروع می شود، اطلاعات بیشتری کسب کند.
او مشتاقانه منتظر همکاری با ایمونولوژیست‌های پیشرو و دانشمندان داده در LJI، از جمله پروفسور بیورن پیترز، دکترا، همچنین یک فیزیکدان آموزش دیده است.
ایناو می‌گوید: «وقتی افرادی از این پس‌زمینه‌های مختلف می‌آیند، هم افزایی زیبایی به دست می‌آورید. “با تیم مناسب، حل این مشکلات بزرگ و باز در نهایت امکان پذیر می شود.”
